IA + CRISPR en aquaculture : l’exemple de la crevette

40,35 milliards de dollars : c’est la valeur du marché mondial de la crevette en 2023, et la croissance annoncée reste forte. Quand on additionne cette demande, la pression sur les ressources et des maladies qui peuvent décimer un élevage en quelques jours, l’aquaculture n’a plus le luxe d’avancer à l’ancienne.

Début octobre 2024, une annonce a fait lever quelques sourcils dans le monde de la food tech : une équipe (Watershed AC, Evogene et l’Université Ben-Gourion) dit avoir produit la première crevette géante d’eau douce éditée génétiquement (Macrobrachium rosenbergii) grâce à CRISPR, en s’appuyant sur un modèle d’IA pour mieux concevoir les guides d’édition. Ce n’est pas un “gadget de labo” : c’est un cas d’école de ce que l’IA apporte déjà à l’agroalimentaire, au même titre que l’agriculture de précision.

Ce que j’aime dans cet exemple, c’est qu’il montre une réalité simple : l’IA ne remplace pas la biologie, elle enlève de l’incertitude. Et en production alimentaire, enlever de l’incertitude, c’est gagner du temps, de l’argent… et souvent de la durabilité.

Ce que cette annonce dit vraiment (au-delà du titre)

Réponse directe : l’annonce ne dit pas “on a créé une super-crevette”, elle dit surtout “on sait maintenant éditer de façon reproductible une espèce difficile, en accélérant la phase de conception grâce à l’IA”.

Le projet part d’un problème classique en génétique appliquée : beaucoup d’espèces d’intérêt économique (notamment en aquaculture) ne sont pas des organismes modèles. Les données génomiques sont incomplètes, les protocoles sont moins standardisés, la variabilité naturelle est élevée, et les essais coûtent cher.

Dans ce contexte, Evogene explique avoir utilisé sa technologie GeneRator AI pour aider à concevoir des gRNAs (guide RNAs) — les “coordonnées GPS” qui indiquent à CRISPR où agir. L’enjeu n’est pas théorique : un mauvais guide, c’est un échec d’édition, des effets hors-cible, ou des semaines perdues.

Le choix du trait modifié est aussi révélateur : ils ont d’abord travaillé sur la couleur des yeux au stade post-larvaire, un marqueur facile à observer pour valider que l’édition a bien eu lieu. Autrement dit : preuve de faisabilité d’abord, optimisation industrielle ensuite.

Pourquoi l’IA fait gagner du temps dans l’édition génétique

Réponse directe : l’IA aide à sélectionner des gRNAs plus efficaces en tenant compte de génomes imparfaits et de la variabilité, ce qui réduit les cycles d’essais-erreurs.

Concevoir un bon gRNA, ce n’est pas juste “viser un gène”. Il faut gérer :

• L’efficacité : le guide doit mener à une coupe et une réparation qui produisent le bon résultat.
• Les effets hors-cible : éviter de toucher des séquences proches ailleurs dans le génome.
• Les génomes non annotés : quand la “carte” est incomplète, on risque de viser au mauvais endroit.
• La variance naturelle : deux individus d’une même espèce peuvent avoir des différences locales d’ADN.

C’est là que l’IA devient intéressante : elle peut prédire des guides robustes, comparer de nombreuses possibilités et intégrer des signaux issus de données hétérogènes. En pratique, on remplace une partie du “bricolage intelligent” par une priorisation statistique : on teste moins de pistes, mais de meilleures pistes.

Un parallèle utile avec l’agriculture de précision

Dans notre série “Intelligence artificielle dans l’agriculture et l’agroalimentaire”, on parle souvent de capteurs, d’images satellites, de météo et de modèles agronomiques. Ici, la logique est identique :

• Capteurs et IA pour décider où irriguer → IA et biologie computationnelle pour décider où éditer.
• Réduire les intrants (eau, azote) → réduire les intrants R&D (temps de labo, animaux testés, cycles).
• Optimiser le rendement → optimiser la probabilité de réussite d’une modification.

Même objectif : plus de précision, moins de gaspillage.

Quels bénéfices concrets pour l’aquaculture (et pour l’agroalimentaire)

Réponse directe : si l’édition génétique est industrialisable, elle peut améliorer croissance, résistance aux maladies et adaptation, donc stabiliser l’offre et réduire certaines pertes.

L’article source mentionne clairement les traits visés par le partenariat : croissance, résistance aux maladies et adaptation environnementale. Ce trio colle aux douleurs opérationnelles des fermes aquacoles.

1) Santé animale : l’angle “pertes évitées”

En aquaculture, une flambée de maladie ne “réduit pas un peu la marge” : elle peut anéantir une saison. L’amélioration génétique orientée santé peut :

• réduire l’usage d’interventions (selon les contextes : traitements, mesures de quarantaine, renouvellement)
• améliorer la prévisibilité des volumes
• limiter le risque financier des éleveurs

Je prends position : si une filière veut être durable, elle doit d’abord être stable. Et la stabilité passe par la santé.

2) Performance alimentaire : le vrai nerf de la guerre

Le poste “alimentation” pèse lourd dans les coûts d’élevage. Si une lignée grandit plus vite à alimentation constante, ou valorise mieux la ration, l’impact est immédiat :

• coût au kilo produit plus bas
• temps d’immobilisation des bassins réduit
• planification industrielle plus simple (abattage, transformation, logistique)

Même si l’annonce d’octobre 2024 ne prétend pas encore à ces résultats, c’est typiquement ce que l’industrie va demander ensuite.

3) Robustesse climatique : salinité, température, stress

L’adaptation à des conditions variables n’est plus un sujet “futuriste” en 12/2025. Les épisodes extrêmes et la variabilité deviennent la norme. Des animaux plus tolérants au stress (dans des limites strictes de bien-être animal) peuvent :

• réduire la mortalité lors de pics de température
• limiter les baisses de croissance
• améliorer la résilience des sites de production

De la preuve au produit : ce qui doit encore se passer

Réponse directe : entre une crevette éditée en laboratoire et un déploiement industriel, il faut passer par l’échelle, la validation, la traçabilité et l’acceptabilité.

L’annonce indique que le financement a été reconduit pour une deuxième année afin d’explorer la montée en charge et l’extension à d’autres espèces (crevette blanche Litopenaeus vannamei et écrevisse rouge de Louisiane Procambarus clarkii). C’est là que les vraies difficultés commencent.

Les 4 chantiers incontournables

1. Reproductibilité à grande échelle

   • Une réussite sur un lot n’est pas une méthode industrielle.
   • Il faut des taux de succès élevés, stables, et des protocoles standard.

2. Qualité et sécurité

   • Vérifier l’absence d’effets indésirables (hors-cible, impacts sur la physiologie).
   • Démontrer la stabilité du trait sur les générations.

3. Traçabilité et gouvernance des données

   • Suivi des lignées, métadonnées d’élevage, conditions d’édition.
   • Dans une filière agroalimentaire moderne, la donnée devient une pièce du dossier qualité.

4. Cadre réglementaire et acceptabilité

   • Le terme “édité génétiquement” déclenche des réactions immédiates.
   • La pédagogie doit être factuelle : différence entre édition ciblée et transgénèse, objectifs (santé, réduction de pertes), contrôles.

Je le dis clairement : sans stratégie d’acceptabilité, la performance technique ne suffit pas. C’est vrai pour l’IA en élevage (caméras, capteurs), et c’est encore plus vrai pour l’édition génétique.

Ce que les décideurs agro et agroalimentaires peuvent en tirer dès maintenant

Réponse directe : cette histoire donne une feuille de route : l’IA sert à prioriser, prouver, industrialiser — et pas seulement à “faire joli” dans un dossier innovation.

Si vous travaillez en coopérative, en agro-industrie, en aquaculture, ou côté ingrédients, voici des actions concrètes à copier :

1) Choisir un “trait démonstrateur” avant le “trait business”

L’équipe a commencé par un trait visuel (couleur des yeux) pour valider le pipeline. C’est une bonne méthode :

• démonstrateur rapide
• mesure simple
• débat technique cadré

Ensuite seulement viennent les traits complexes (croissance, résistance).

2) Mettre l’IA au bon endroit : la phase de conception

Dans beaucoup de projets, l’IA arrive tard (reporting, slides, dashboards). Ici, elle arrive tôt : au moment où les choix coûtent cher.

Dans vos projets “IA + production”, posez-vous cette question : où est l’étape la plus incertaine et la plus coûteuse ? C’est là qu’un modèle prédictif a le meilleur ROI.

3) Penser “système alimentaire”, pas “innovation isolée”

Une crevette plus robuste ne sert à rien si :

• la chaîne du froid est mal maîtrisée
• la formulation d’aliment n’est pas ajustée
• le marché refuse le produit

Le bon réflexe est celui de l’agroalimentaire moderne : optimiser le système (génétique + alimentation + élevage + qualité + marché).

Questions fréquentes (et réponses nettes)

L’IA remplace-t-elle les généticiens ?

Non. L’IA réduit le nombre d’essais nécessaires et améliore la sélection des options, mais la validation biologique reste indispensable.

Pourquoi l’aquaculture est-elle un terrain aussi “IA-friendly” ?

Parce que les coûts de variabilité sont énormes (mortalité, croissance, qualité) et que les cycles peuvent être rapides. L’IA a un impact direct sur le coût au kilo.

Est-ce comparable à l’IA en agriculture végétale ?

Oui, par la logique. Même promesse : précision, réduction des pertes, meilleure prévisibilité. Les outils diffèrent (gRNAs vs cartes de vigueur), la mécanique économique se ressemble.

Et maintenant : vers une aquaculture plus prévisible, donc plus durable

L’annonce d’une crevette géante d’eau douce éditée avec l’aide d’un modèle d’IA n’est pas qu’une prouesse scientifique. C’est un signal : la biologie et l’IA se rejoignent au cœur de la production alimentaire. Et dans notre série sur l’intelligence artificielle dans l’agriculture et l’agroalimentaire, c’est exactement le fil rouge : rendre les systèmes plus précis, plus économes, plus pilotables.

Si vous cherchez des leviers concrets pour sécuriser vos approvisionnements, réduire les pertes et construire des filières plus résilientes, gardez cet apprentissage : l’IA devient vraiment utile quand elle guide des décisions irréversibles et coûteuses.

La prochaine étape (celle qui va compter) sera moins médiatique : industrialiser, contrôler, expliquer. Une question pour 2026 : quelle entreprise saura faire de cette convergence IA + biotechnologies un standard opérationnel, plutôt qu’un simple coup d’éclat ?